这也许是强化学习带来的结果，因为强化学习的目标只有一个：拿到最终的奖励，也就是解对题目。在这个过程中，模型自发地发现，混合不同语言的表达，甚至创造自己的符号，是达成目标最高效的路径。它不在乎人类能否读懂，只关心哪种表达方式能用最少的 Token、最快的速度，抵达正确的答案。

然而，这种「天书」式的思考过程对于面向用户的应用是不可接受的。于是，DeepSeek 推出了经过「驯化」后的 R1 版本。

为了解决语言混乱和可读性差的问题，团队引入了两项关键措施：

这种做法很有效，但代价是什么？

DeepSeek 在 R1 的论文中坦率地承认，这种为了对齐人类偏好而施加的约束，导致了模型性能的「轻微下降」。

这是一个关键的信号：强迫 AI 用某种特定的人类语言进行思考，会带来性能上的牺牲，是一种为了可读性而付出的「对齐税」。

但没办法，为了用户体验，必须摆正性能和可读的天平，否则模型即便做对了题，用户也看不懂啊。

无独有偶，今年 2 月，OpenAI 的 o3-mini 模型也曾被国外用户发现会在推理中大量使用中文。

要知道，Token 代表了模型的注意力，模型在处理更长上下文时性能不佳，就是注意力机制的问题。Token 也代表了用户的使用成本。

为此，DeepSeek V3.2 引入了全新架构 DeepSeek Sparse Attention (DSA)，为的也是解决效率问题。

在预算有限的情况下，如何最大化信息获取？答案显而易见：让每一个被关注的 Token 都承载尽可能多的信息。

叠加来看，有没有可能，如果用英文思考，可能只能回顾最近 50 个逻辑步骤；而用高信息密度的中文思考，则可能覆盖长达 100 个逻辑步骤的完整历史。

所以，DeepSeek V3.2 坚持中文思考，也许并非简单的训练数据偏向，而是其核心架构与语言特性的共同结果。

DSA 架构奖励高密度语言，而中文，恰好是地球上主流语言中信息密度最高的那个。它自发学会了了一种天然的思维压缩算法。

维特根斯坦有一句名言：「语言的边界，就是世界的边界」。

人们通过语言所能理解、思考和表达的范围，决定了他们所能认知的世界。

而在语言认知领域，还有一个著名的萨丕尔-沃夫假说，认为语言不仅是交流的工具，它决定了思维的方式。

换句话说，语言是否会塑造思维？

前段时间，《Cell》上有篇论文，研究发现，认知科学长期由英语母语者主导，导致研究结论存在巨大偏差。

人类的思维模式深受母语特性（如语法、词汇、书写方向）的影响。例如，习惯从右向左书写的阿拉伯语使用者，与英语使用者在记忆事件顺序时就存在相反的空间偏好。一些语言（如马来西亚语）拥有丰富的嗅觉词汇，其使用者对气味的感知也更为敏锐。

所以，将英语的特性默认为人类认知的共性，是一种严重的局限。

长期以来，AI 领域是被英语统治的。所有的主流模型、测试基准、训练数据，都默认使用英语，显然也有巨大的潜在问题，极有可能限制我们对机器智能潜力的想象。

DeepSeek 的实践表明：机器思维语言的效率边界，决定了它认知世界的深度与成本边界。

说白了，模型可以用更高效率的内在语言进行思考，然后翻译为受众能看懂的语言进行对话。

从某种意义上讲，模型的思考效率比我们高，是为了照顾我们的接受水平在做向下兼容。

回到文章开头那个让西方用户焦虑的问题：以后用 AI，真的还得先学中文吗？

我今天看到外网真的有人在认真讨论，要不要学普通话？

这下真成了「全世界都在学中国话，孔夫子的话，越来越国际化」。

当然了，只是用 AI，未必需要专门去学中文、懂英文，前面说了，AI 自会翻译成我们能看懂的语言。

但是，如果把语言学习看作思维塑造，那外国朋友们多学点中文自然是好事。

过去，我们被迫学习英语，是因为最前沿的代码、文档、论文都是英文的；而今天，AI 主动选择了中文，不是出于文化偏好，仅仅是因为在追求「智能」的物理法则下，中文是当前人类语言中能效比更高的解。

而这，也许会在无形间，把中华思维传向世界。

#DeepSeek为何坚持中文思考#